基于深度学习的汽车自动驾驶目标检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)

# -*- coding: utf-8 -*-"""该脚本用于执行YOLO模型的训练。它会自动处理以下任务：1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。2. 从 'pretrained' 文件夹加载指定的预训练模型。3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。要开始训练，只需直接运行此脚本。"""import osimport yamlfrom pathlib import Pathfrom ultralytics import YOLOdef main():    """    主训练函数。    该函数负责执行YOLO模型的训练流程，包括：    1. 配置预训练模型。    2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。    3. 加载预训练模型。    4. 使用指定参数开始训练。    """    # --- 1. 配置模型和路径 ---    # 要训练的模型列表    models_to_train = [        {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},        {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},        {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},        {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}    ]    # 获取当前工作目录的绝对路径，以避免相对路径带来的问题    current_dir = os.path.abspath(os.getcwd())    # --- 2. 动态配置数据集YAML文件 ---    # 构建数据集yaml文件的绝对路径    data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')    # 读取原始yaml文件内容    with open(data_yaml_path, 'r', encoding='utf-8') as f:        data_config = yaml.safe_load(f)    # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径    # 这是为了确保ultralytics库能正确定位到训练、验证和测试集    data_config['path'] = os.path.join(current_dir, 'train_data')    # 将修改后的配置写回yaml文件    with open(data_yaml_path, 'w', encoding='utf-8') as f:        yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)    # --- 3. 循环训练每个模型 ---    for model_info in models_to_train:        model_name = model_info['name']        train_name = model_info['train_name']        print(f"\n{'='*60}")        print(f"开始训练模型: {model_name}")        print(f"训练名称: {train_name}")        print(f"{'='*60}")        # 构建预训练模型的完整路径        pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)        if not os.path.exists(pretrained_model_path):            print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")            print(f"跳过模型 {model_name} 的训练")            continue        try:            # 加载指定的预训练模型            model = YOLO(pretrained_model_path)            # --- 4. 开始训练 ---            print(f"开始训练 {model_name}...")            # 调用train方法开始训练            model.train(                data=data_yaml_path,  # 数据集配置文件                epochs=100,           # 训练轮次                imgsz=640,            # 输入图像尺寸                batch=8,             # 每批次的图像数量                name=train_name,      # 模型名称            )            print(f"{model_name} 训练完成！")        except Exception as e:            print(f"训练 {model_name} 时出现错误: {str(e)}")            print(f"跳过模型 {model_name}，继续训练下一个模型")            continue    print(f"\n{'='*60}")    print("所有模型训练完成！")    print(f"{'='*60}")if __name__ == "__main__":    # 当该脚本被直接执行时，调用main函数    main()

names:  0: car  1: van  2: truck  3: pedestrian  4: Person_sitting  5: cyclist  6: tram  7: miscpath: D:\project\python\yolo_Object_Detection_for_Autonomous_Driving\train_datatrain: trainval: val